Resource Management and Reflection Optimization for Intelligent Reflecting Surface Assisted Multi-Access Edge Computing Using Deep Reinforcement Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multi-access edge computing (MEC) enables the computation-intensive and latency-critical application to be processed at the network edge, which reduces the transmission latency and energy consumption. The quality of the wireless channel seriously affects the performance of the edge network. Consequently, the performance of the edge network can be significantly improved from the perspective of communication. The recently advocated intelligent reflecting surface (IRS) intelligently controls the radio propagation environment to improve the quality of wireless communication links. This paper proposes an edge heterogeneous network with the assistance of intelligent reflecting surface. Specifically, the macro base station and small base stations are equipped with MEC servers, and IRS is adopted to provide an additional computation offloading link. The user association, computation offloading and resource allocation, as well as IRS phase shift design are optimized with the aim of minimizing the long-term energy consumption subject to the constraints imposed on quality of service (QoS) and available resources. The challenge of the optimization problem is rooted from the fact that update timescale of user association is different from others. Hence, a two-timescale mechanism is invoked by marrying tools from matching theory and deep reinforcement learning. More specifically, the user association decision takes place in the long timescale. In the short timescale, the computation offloading, resource allocation and IRS phase shift design strategy is performed. The effectiveness of the proposed two-timescale mechanism is verified by the simulation results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle